Leveraging Machine Learning for Life Cycle Assessment of Polyamide Fiber-Enhanced Concrete. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Lubna_MS_Thesis_KFUPM Format after Gs revised singed.pdf - Accepted Version Restricted to Repository staff only until 18 December 2026. Download (4MB)

Arabic Abstract

ُع ّد التقدير الدقيق للبصمة البيئية لمواد البناء خطوة أساسية نحو تحقيق مبادئ التصميم المستدام. ومع ذلك، ما تزال تقييمات دورة الحياة ) (LCAللخرسانة المسلحة بالألياف تواجه تحديات منهجية بارزة، تشمل عدم اتساق الوحدات الوظيفية، وضعف معالجة تباين الأداء الميكانيكي، فضلاً عن القصور في تمثيل وعدم اليقين في البيانات. في هذا السياق، يقدم هذا البحث إطا ًرا منهج ًيا متكاملاً يجمع بين تقنيات التعلم الآلي ) (MLوتقييم دورة الحياة ) (cradle-to-gateبغرض تقييم 144خلطة خرسانية تجريبية مد ّعمة بألياف النايلون ) (PAالمعاد تدويرها. وقد جرى إخضاع البيانات التجريبية لمعالجات مسبقة تضمنت استكمال البيانات المفقودة، وتوحيد المقاييس، والتخلص من القيم المتطرفة، كما تم اعتماد وحدة وظيفية معدلة قائمة على مقاومة الشد ) (TSلضمان مقارنات أكثر عدالة بين الخلطات ذات القدرات الإنشائية المتباينة. أظهرت نتائج النمذجة باستخدام ) (SVRقد حققت أعلى دقة تنبؤية ) ، (R-squared = 0.98في حين أتاح تحليل ) Shapley Additive (SHAPتفسي ًرا شفافًا لمساهمات المتغيرات. وقد ب ّين التحليل أن محتوى الماء والإسمنت يمثلان العوامل الأكثر تأثي ًرا في مقاومة الشد، بينما كان للإسمنت و ُمخ ِّفّضات الماء عالية المدى والألياف التأثير الأكبر في المؤشرات البيئية. ورغم محدودية تأثير نوع الألياف على الأداء الميكانيكي نتيجة ضيق نطاق الجرعات، إلا أن استبدال الألياف بأخرى معاد تدويرها أسفر عن انخفاض كبير في مؤشرات الأثر البيئي، حيث تراجعت إمكانية الاحتباس الحراري بنسبة ،%93واستنزاف الوقود الأحفوري بنسبة ،%97وال ُسمية البشرية بنسبة .%41إن هذا الإطار البحثي يُسهم في دمج عدم اليقين والتباين التجريبي في الاحصائيات ضمن نموذج لتقييم دورة الحياة قائم على الأداء، بما يعزز الصرامة المنهجية ويدعم اتخاذ قرارات تصميم خلطات خرسانية منخفضة الأثر البيئي ومرتفعة الأداء، في انسجام مع أهداف الاقتصاد الدائري

English Abstract

Accurate estimation of environmental footprints in construction materials is critical for advancing sustainable design. However, life cycle assessments (LCA) of fiber-reinforced concrete often face methodological limitations, including inconsistent functional units, insufficient handling of performance variability, and inadequate treatment of data uncertainty. This study introduces a feature-driven framework that combines machine learning (ML) with cradle-to-gate LCA to evaluate 144 experimentally derived concrete mixes containing virgin and recycled polyamide (PA) fibers.To account for uncertainty arising from empirical limitations, experimental data were preprocessed through imputation, normalization, and outlier filtering. A tensile strength (TS)-based functional unit was adopted to enable fair comparisons among mixes with different structural capacities. Among five tested models, Support Vector Regression (SVR) achieved the highest predictive accuracy (R-squared = 0.98), and Shapley Additive Explanations (SHAP) enabled transparent attribution of feature contributions. SHAP analysis identified water and cement content as the most influential drivers of TS, while cement, superplasticizer, and virgin fiber content dominated environmental impacts. Although fiber type showed modest influence on mechanical performance, it significantly affected environmental outcomes. Replacing virgin with recycled PA fibers reduced global warming potential, fossil fuel depletion, and human toxicity by up to 93%, 97%, and 41%, respectively. Overall, thisframework demonstrates how integrating ML with performance-adjusted LCA can explicitly capture data uncertainty and experimental variability, advancing methodological rigor and guiding the design of low-impact, high-performance concretes aligned with circular-economy goals.

Item Type:	Thesis (Masters)
Subjects:	Construction Civil Engineering Civil Engineering > Water and Environmental Engineering Research > Environment Research > Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor:	Elnakar, Haitham
Committee Members:	Ahmad, Shamsad and Elsamadony, Mohamed
Depositing User:	LUBNA NAJJAR (g202303790)
Date Deposited:	18 Dec 2025 08:56
Last Modified:	18 Dec 2025 08:56
URI:	http://eprints.kfupm.edu.sa/id/eprint/143798